摘要：针对蛋白质溶解性预测中长序列计算复杂度高以及传统模型忽略数据间差异性等问题,提出一种多输入深度学习模型FESOL。利用线性复杂度的注意力机制FAVOR+高效提取蛋白质长序列的特征信息;结合交叉熵和余弦相似度设计增强损失函数,使模型能够关注到不同输入数据间的差异性。在独立测试集上与多种先进的预测方法进行对比实验,其结果表明,FESOL在多个评价指标上均优于其它方法,验证了模型在蛋白溶解预测中的有效性。

摘要：为提高轻度认知障碍(MCI)患者向阿尔茨海默症(AD)阶段病情进展的预测性能,提出一种融合病人多项检查数据进行学习的半监督神经网络新型模型MVIDG。通过mRMR算法对高维特征进行降维,对病人单项检查数据使用Dual-GCN进行基础模型训练,利用改进后的MVCDN网络对各项检查数据训练出的模型进行融合,以对未来一年内病人从MCI阶段向AD阶段的病情进展进行预测。实验结果表明,所提模型可有效整合病人多项检查结果以提高预测性能,效果优于其它数据融合方法。